Imported from phileiny/h3-storyboard-skill (skills/h3-storyboard/SKILL.md). Install upstream with npx skills add phileiny/h3-storyboard-skill --skill h3-storyboard. Copyright stays with the author.

H3 分鏡與表演

minimax-h3 那份 skill 教你怎麼把已經想好的東西寫成 H3 格式。 這份教你怎麼想——劇本怎麼拆成鏡頭、情緒怎麼變成模型演得出來的動作。

官方和社群的 skill 都停在翻譯層，沒有人做這段（instann/minimax-h3-director 把「自動拆鏡」列在 roadmap，還沒做）。下面全部是實拍歸納出來的， 每一條都標了驗證狀態。

一、🔴 第一定律：一顆鏡頭裝不下太多節拍

在一顆鏡頭裡塞太多表情節拍，模型會往「平均運動」收斂，把它們全部抹平。 寫了睜眼、揚眉、咬下唇，畫面上什麼都沒發生——而且不會有任何報錯。

三個版本的對照實驗，同一顆震驚戲、同一顆 seed、同樣的臉部節拍：

（PSNR 越低表示畫面變化越大。42 dB 等於凍結幀。）

A → B 是主因：拆鏡頭。 從 40 掉到 23，絕大部分的效果在這一步。 B → C 是加成：對白。 從 23 再到 19，有幫助但不是機制。

所以怎麼做

① 先數節拍。 一顆鏡頭超過兩三個表情節拍就要拆。
② 拆成 2–3 秒的短鏡頭，每顆一個主節拍。
③ 有台詞就寫進去（見下），沒有也能成立。

切鏡本身就是表演——觀眾在切點會自動重新讀取角色狀態， 所以拆開不只是為了讓模型執行得到，也是為了讓觀眾看得到。

驗證：2026-08-26，Ref2VA 243 幀，三版對照，seed 固定。 這是隔離過的：A→B 只改鏡頭結構，B→C 只改一句台詞。

旁證：B 站有支純本地實測是「統一首幀 · 10 種情緒 · 一支 6 秒一種情緒」， 同一個結論——一支只裝一種情緒。

<d> 的角色：它偷時間

有台詞的鏡頭表演幅度更大，但機制不是「對白讓臉會動」—— 是 H3 把整支影片的時間重新分配，多給了有台詞的那一鏡。

同一支 243 幀的四鏡影片，只差一句 VO 對白（其餘完全相同：同 seed、 同參考圖、同 ref_image_size=max）：

              Shot 1   Shot 2   Shot 3（有台詞）   Shot 4
提示詞規格       77 幀    48 幀       74 幀          44 幀
無台詞           89       43         55 ❌          56
有台詞           88       29         84             42

無台詞版把情緒峰值那鏡壓縮到 55 幀，比規格少了 19 幀，演到一半就切走。 有台詞版給了 84 幀，臉部最大變化 28.5 dB（無台詞 30.2 dB）。

代價在別的鏡頭身上。 Shot 4 被壓到 42 幀之後：

無台詞：配角在落地窗外還在走動，陽台雨遮、欄杆都保留
有台詞：配角完全不存在，落地窗退化成一扇普通窗戶

Shot 1 建立的場景元素，有台詞版沒有延續到 Shot 4。

所以：

• 要表演的鏡頭 → 寫台詞（內心獨白也算，寫成旁白版）
• 要背景延續性的鏡頭 → 不要跟台詞放在同一支影片裡，或者兩版都跑再剪

內心獨白的寫法：

the young woman, in a small unsteady voice that catches once partway through (S1),
says in an off-screen voiceover: <d>[Chinese]……</d>
while her lips remain completely closed.

情緒寫在 delivery 欄位，不是寫在 <d> 裡面。 官方規格：識別語、ID、動作、delivery 都在 <d> 外面，<d> 內只放語言標籤和逐字台詞。

但不要為了表演硬塞台詞。 設計上就不說話的角色（在聽、在迴避、在生悶氣）， 拆短鏡頭就夠了——B 組證明沒有台詞一樣演得出來。

⚠️ 背景垮掉這條的信心度低一階：兩支有台詞版都掉了配角，無台詞版只有一支。 方向一致但 n 太小，不排除是生成變異。

⚠️ 官方無此記載。MiniMax 的 H3 提示詞指南（base／ref 兩份）完全沒有表情章節。 網路上「H3 擅長微表情」講的多半是 Hailuo 02／2.3——託管 API 的不同模型， 而且託管版前面掛了提示詞改寫器，開源權重這條路沒有。

沉默的角色

沒有台詞的角色，臉部節拍照樣可以寫（B 組驗證過），但大肢體更保險：

locomotion（坐起、站立、走向某處）幾乎沒失敗過，是最可靠的一類。

二、⛔ 不要寫「什麼都不變」

❌  From 00:04.800 to 00:05.300 nothing about her changes:
    her eyes stay where they are, her mouth stays where it is, her head does not move.

這是很強的「不要動」指令，會外溢到整顆鏡頭——結果是該動的地方也不動了。

那個「還沒反應過來」的空檔要留，但變成剪接點：

Shot A 收在「動作停止」
── 剪接點 ──          ← 停頓在這裡，後製定格要多久有多久
Shot B 從「反應開始」

停頓是剪接的活，不是生成的活。 交給後製 100% 可控。

⚠️ 這條未隔離：寫了那句的版本同時也有「九個節拍擠一鏡」的問題（見 §一）， 兩個變因沒有分開測。所以「不要寫」是安全的做法，但它是不是主因還不確定。 反正停頓交給剪接本來就更可控，沒有理由冒這個險。

一之二、要外掛真人配音的話，台詞長度是硬約束

H3 自己配音時，它會自己講快一點把台詞塞進去。 一旦你打算丟掉它的音軌換成真人實錄，時間就變成硬約束了—— 真人的語速你改不動（atempo 壓超過 5% 就聽得出來）。

先量你的配音員的語速。方法：拿一集已完成的字幕，總字數 ÷ 總秒數。 （本專案的配音員是 4.30 字/秒，含句內停頓。）

台詞字數 ÷ 語速 = 需要的秒數，拿去跟「台詞所在那一鏡的長度」比。

⚠️ 不是跟「到下一拍的距離」比。實拍證實：台詞標在 3.400、下一拍在 4.000， 但嘴巴從 2.17s 就開始動、一路動到影片結束的 5.12s。 H3 把整個鏡頭都當成那個人在講話，不會在下一拍收嘴。

所以真正會出事的是這個

同一鏡裡放了跟講話衝突的拍子：

❌ At 00:03.200  台詞開始
   At 00:04.600  she finishes speaking   ← 逼 H3 在這裡收嘴
   At 00:05.200  眨眼
   At 00:05.800  吞嚥                     ← 不可能發生在句子中間

講完話之後的拍子，放到下一鏡去。 那一鏡從頭到尾只有「他在講話」，嘴型就會鋪滿整鏡，時間自然夠。

畫外音（VO）不受限——後製要多長就多長，可以跨鏡頭甚至跨影片。

二之一、⛔ 不要拍碰撞，也不要拍液體的量

H3 做不到接觸驅動的因果，也守不住液體的體積。實拍證據： 要它拍「手撞倒咖啡杯、咖啡漫開淹到桌上的小物件」，結果是——

手全程沒碰到杯子      杯子懸空自己轉倒，沒有任何一幀是接觸的
咖啡量超過一杯        兩秒鋪滿大半張桌子，倒完了還在繼續流
液體不像液體          邊緣是硬的扇貝狀，像貼紙，不順著木紋流
關鍵拍沒發生          液體從頭到尾沒碰到那個小物件

把提示詞寫細沒有用——它不是沒讀懂，是做不到。

解法：不拍那一刻

Shot 1  手臂從畫面邊緣掃過鏡頭，貼近到蓋滿整個畫面
Shot 2  切 —— 事情已經發生了，杯子倒著，水漬已經漫開並且停住
        H3 只要「延續一個已經存在的狀態」，不用「發動一次碰撞」
撞擊聲掛音軌，觀眾自己補因果

手臂掃過鏡頭本身就是天然的切點，而且那是 locomotion——最可靠的一類。

液體的量要寫死界線

✅ spread about as far as the width of a hand and no further, its leading edge
   a few centimetres short of the base
❌ runs out across the wood in a widening dark sheet

「widening」「spreading」這類詞沒有終點，H3 就會一直長大。 跟尺寸那條同一個道理：講可觀察的界線，不要講抽象的過程。

三、尺寸：講裁切關係，不要講分數

分數會被無視。 實測：

寫 about two thirds as tall as the frame   →  生出來 45–52%

改成描述構圖本身，模型躲不掉：

✅  耳尖離畫面頂端只剩一個手掌寬
✅  底座往左右兩邊都溢出畫面，兩側都看不到完整的底
✅  畫面下緣從底座前緣下方切過
✅  它是畫面裡遠遠最大的東西，其他都只是周邊的小細節

實測從 45% → 52% → 69%（目標三分之二）一次到位。

控制配角的大小，用「限制入鏡範圍」比「指定尺寸」可靠：

❌  her open palm is about as wide as the distance between its two ears   → 實際 1.66 倍
✅  只有手指和手掌前緣進畫面，手腕和手掌後半留在框外

露得少，主體自然就大。

直幅裡的尺寸有幾何上限

一個寬≈高的角色，在 9:16 直幅裡整隻入鏡時：

寬度填滿畫面 → 高度 = 768 ÷ (寬高比) ≈ 畫面高的 50–60%

實測三次：52%、61%、61%。這不是提示詞寫不好，是畫面比例的上限。

要更大就必須裁掉一部分。裁掉的通常是底部（底座、下半身）， 因為上半部比較窄，能在畫面裡站得更高：

✅ only its upper part is in the picture: its cheeks reach out past both the left
   and the right edge of the frame, the tips of its ears sit just under the top edge,
   and the bottom edge of the frame cuts straight across its glowing belly so that
   its base is entirely out of shot below

同一招在另一集做到 69–70%。「整隻都要在畫面裡」和「要很大」在直幅裡是互斥的。

距離也一樣，不要寫單位

分數會被忽略，帶單位的距離同樣會被忽略。實拍：寫 its leading edge a hand's width short of the base， 生出來液體直接淹到底座旁邊。

改成拿畫面裡的東西當尺：

❌ a hand's width short of its base
❌ stops about five centimetres away
✅ between the near edge of the pool and its base there is a band of bare dry wood
   as wide as the figurine is tall

同一個道理：模型算不動抽象的量，但看得懂「A 和 B 之間空著一個 C 那麼寬」。

俯視角會拆掉角色

從正上方拍，角色的臉、耳朵、輪廓全部消失，只剩一團色塊； 而且沒有縱深參照，物件之間的大小關係會亂——實拍時一個馬克杯被畫得比 一個 16 公分的公仔還大。

要拍桌面上的東西，把鏡頭放在桌面高度往前看，不要往下看。 臉留得住，液體的範圍被前縮壓扁（不會看起來像一片湖），比例也有參照。

尺寸三招要三招都寫

1. 跟已知物體比——about the same size as a woman's hand from wrist to fingertips
2. 絕對尺寸——roughly 16 centimetres tall
3. 在畫面中佔多少——用裁切關係寫，見上

前兩招管物理正確，第三招管觀感。只寫前兩招，東西會「比例正確但看起來很小」。

四、形狀和比例交給參考圖

文字寫比例連三版都失敗（要 1.75:1，生出 0.96 的正方形）。 餵一張參考圖，一次解決。

需要特定形狀的元素（光板、螢幕、看板）
  → 做一張「空白版」參考圖：形狀、圓角、邊緣光暈都對，裡面是空的
  → 內容後製合成

空白版的好處：模型拿到的是純幾何，沒有內容可以畫壞。

⛔ 不要直接餵有內容的圖（例如塔羅牌、UI 截圖）——符號和文字一定被畫成亂碼。

四之一、⛔ 品牌角色不可以髒、破、變形

拍一個「陶瓷公仔被打翻的咖啡淹到」的鏡頭，提示詞寫了 coffee glistening around its base、the amber light glowing through the wet film。 H3 照做了，而且往上蔓延到整張臉——變成公仔在流泥淚。

如果那個角色是產品／品牌資產，這種畫面不能用，沒有例外。

問題不在模型，在提示詞。 只要句子把液體和角色的表面連在一起 （on、around、through、soaks into、film），它就會畫上去，而且會超量。

改法：保留張力，切斷接觸

❌ coffee glistening around its base, the light glowing through the wet film
✅ a dark pool lies on the wood behind it, a hand's width back from its base,
   holding the amber light as a long reflection across its surface
   （再加一句正面敘述：its cream-white surface is dry and matte all over）

液體還在畫面裡、逼近的張力還在、角色乾淨，而且倒影比濕膜好看。

通則：不要用介系詞把「會弄髒的東西」和「不能髒的表面」綁在同一個名詞片語裡。 給它們一個明確的空間距離。

四之二、⭐ 先決定機位，再寫表情

角色要看的東西不在畫面裡的時候，H3 會讓他們看鏡頭。

這是同一個病最常見的形態，而且它有兩種症狀：

沒寫視線方向    →  角色直視鏡頭說話，像在演舞台劇
寫了視線方向    →  但那個方向跟「要看得到臉」互相牴觸，模型只能挑一個

三個實例，同一個解法

角色低頭看桌上的小東西
  ❌ 加「抬起頭讓臉朝向鏡頭」 —— 跟「看那個東西」互斥，抬頭就看不到它
  ✅ 把鏡頭放到桌面高度、那個東西旁邊，往上仰拍
     她低頭看它 = 看向鏡頭方向，低頭和露臉不再互斥

角色對蹲在地上的人說話
  ❌ 什麼都不寫 —— 她正對鏡頭講話，舞台劇感
  ✅ 鏡頭放低到蹲著那人的位置，往上拍
     他在近景背對鏡頭，她在他後方低頭看他

角色在看側面的電視
  ❌ 特寫鏡頭裡沒有電視、也沒寫看哪裡 —— 直視鏡頭
  ✅ 鏡頭放在電視【旁邊】，她看螢幕 = 看向稍微偏鏡頭一側
     這是訪談的標準機位

三次的解法都一樣：把鏡頭移到角色看的方向去。

為什麼「加動作」會失敗

想讓臉被看見，直覺是叫角色轉頭、抬頭、面向鏡頭。 但角色的姿態通常已經被劇情鎖死了 —— 她必須看那個東西， 那是這場戲的意思。加一個相反的動作只會製造矛盾， 而模型面對矛盾時會挑一個做，通常挑劇情那個（那是對的）。

角色的姿態被劇情鎖死時，要動的是鏡頭，不是角色。

寫的時候的順序

1. 這一鏡裡角色在看什麼？
2. 那個東西在畫面裡嗎？
     在   →  照常寫
     不在 →  先決定機位（把鏡頭放到那個方向），寫進鏡頭描述裡
3. 然後才寫表情

第 2 步跳過的話，後面寫得再細都會被「她在看鏡頭」毀掉。

⚠️ 順帶：機位寫清楚之後，還要明講不可以直視鏡頭。 「看向鏡頭旁邊」和「看鏡頭」對模型是很接近的兩件事，要把後者擋掉。

五、提示詞裡不要出現不該入鏡的物件名稱

H3 提到什麼就容易長出什麼（幻影物件）。

❌  a tall upright rectangle with the proportions of a phone screen held vertically
                                              ^^^^^^^^^^^^ 可能真的長出一支手機
✅  用畫面邊界把長寬都框死，完全不提物件
✅  或直接餵參考圖（見上）

同理，比喻和參照也要小心——「像塔羅牌的比例」會誘使模型去畫牌面符號。

六、情緒的生理順序

節拍密度對了之後，臉部節拍才有意義。順序寫錯會變成假表情：

真心的笑     眼睛先笑（下眼瞼上推、眼尾細紋）→ 嘴角才跟上
社交假笑     嘴先笑、眼睛沒動          ← 寫反了就是這個
釋然         眉頭鬆開 → 吐氣 → 肩膀落下 → 眼神聚焦 → 嘴角上揚
壓抑         眉和眼已經洩漏，嘴還在維持（把嘴的反應延遲 0.3–0.5 秒）

微表情的三層順序：眉（最先，幅度最小）→ 眼 → 嘴（最後，最容易被控制住）。

各情緒對應的可拍動作

呼吸是情緒的底層節拍。 每段情緒都該有一次可見的呼吸—— 而屏息（肩膀停在高處不動）比任何表情都能傳達緊張，模型也最容易拍對，它只是「不動」。

手比臉誠實，但只寫動作和接觸，不寫手指的細節形狀（手部是高風險區，容易長出多餘手指）。

六之一、⛔ 情緒轉換：不要讓它在鏡頭前連續發生

寫「眉心鬆開」「笑容褪去」這種從 A 狀態變到 B 狀態的句子， 等於給了模型一個起點和一個終點，它就在中間做交叉淡化—— 臉會像橡皮一樣連續變形。這是「表情不自然」最常見的來源。

① 把變化藏在遮蔽裡

閉眼、低頭、手擋住、切鏡頭都算。變化發生在看不見的那段時間， 再次看見時已經是新狀態，模型沒有機會內插。

❌ At 00:03.000 the crease between her eyebrows smooths out and releases.

✅ At 00:02.900 her eyes close and stay closed, and her head tips forward
   about five degrees.
   At 00:03.500, with her eyes still closed, her eyebrows come apart and the
   skin between them goes flat.
   [切鏡頭]
   At 00:04.300 her eyes open, and they open onto a face that is already loose.

這也是真的演員在做的事。

連「設計」都換得掉，不只是表情

原本的認知是：角色的設計性變化（眼睛換一種畫法、換一張參考圖釘住的外觀） 不能寫在同一顆鏡頭裡，模型會挑一個定住，所以必須靠切鏡換。

實拍推翻了這條。 同一顆鏡頭裡：

2.25s  眼皮闔上，每隻眼睛變成一條平滑的弧線
3.75s  睜開 —— 已經是另一張參考圖釘的眼睛設計
       中間沒有切鏡頭

所以規則要改成：不是不能在同一鏡裡換，是不能讓它「看得見地變形」。 遮蔽物給足，設計也換得掉。這比「一定要切鏡」省很多鏡頭數。

⚠️ 但閉眼的寫法要小心。如果參考圖裡有「半闔眼」那一款， 寫 its eyelids come down again 會被拉去半闔，而不是全閉。 要直接描述閉眼的形狀：

❌ its eyelids come down again, slowly this time, and close all the way
✅ its eyes narrow slowly and evenly until each one is a single smooth curved
   line with no part of the eye showing behind it

② 先反向一拍

要放鬆之前先更緊，要落淚之前先忍住。沒有抵抗的轉折看起來像開關被按了一下。

✅ At 00:02.300 her chin pulls in toward her throat and her lower lip presses up
   hard against the upper one, so that the whole lower half of her face tightens
   further than it already was.

反向那一拍還有個好處：它是一個動作，不是一個狀態變化，模型做得比較穩。

③ 觸發點要跟轉折在同一鏡或緊鄰的鏡頭

角色要因為看到／聽到什麼才轉。如果觸發在 Shot 1、轉折在 Shot 2 開頭就完成了， 中間沒有一拍是她「接收」，觀眾會覺得情緒是憑空冒出來的。

留一拍給消化——通常就是①的那個閉眼或低頭。

七、拆鏡流程

劇本
 ↓  ① 情緒骨架      列出所有轉折，標出哪一個是峰值、哪一個是谷底
 ↓  ② 分段          一段 = 一個場景 or 一個情緒單元，5–13 秒
 ↓  ③ 節拍表        每段列時間軸，一拍一件事
 ↓  ④ 檢查節拍密度  ⭐ 一顆鏡頭超過兩三個表情節拍就要拆，有台詞順手寫進去
 ↓  ⑤ 幀數          節拍加總 ＋ 尾巴餘裕 1.3–1.5 秒 → 查 17n+5 格點
 ↓  ⑥ 寫提示詞

第 ④ 步是這份 skill 的核心，不要跳過。 節拍塞太多的鏡頭，寫再細的表情也會被抹平。

幀數怎麼給

⚠️ 尾巴一定要留 1.3–1.5 秒餘裕。 H3 常在片尾前 1.2–1.7 秒崩解成噪訊色塊， 而且暗部場景肉眼快轉不容易察覺。每支拍完都要抽末段的幀檢查。

⚠️ Duration 填「略低於目標秒數的一位小數」，讓它被吸附到目標格點。 填「想要的秒數」會拿到多出來的幀數，而多出來那段沒有提示詞 → 尾巴崩解。

切鏡次數是風險因子

單鏡一個運鏡最穩。切鏡越多，尾巴崩解的機率越高。 但表演需要切鏡（見 §一），所以是取捨—— 情緒戲切鏡換表演精度，空景和過場能單鏡就單鏡。

八、驗收：用數字，不要用眼睛

肉眼會被期待欺騙。抽幀算 PSNR，快而且客觀。

# 表情有沒有發生：抽「該動之前」和「該動之後」各一幀
ffmpeg -ss 5.2 -i out.mp4 -frames:v 1 a.png
ffmpeg -ss 5.9 -i out.mp4 -frames:v 1 b.png
ffmpeg -i a.png -i b.png -lavfi "[0:v][1:v]psnr" -f null -

掃一遍相鄰 0.2 秒的 PSNR，看曲線的低點落在哪裡。 低點應該落在情緒節拍上；如果情緒節拍反而是高點（最靜），那支就是失敗。

檢查位移（後製要貼合的鏡頭）

ffmpeg -i a.png -i b.png -filter_complex \
  "[0:v][1:v]blend=all_mode=difference,eq=contrast=7" diff.png
# 該區域全黑 = 完全沒動，可以安心貼合

量座標要印剖面，不要靠自動偵測

主體周圍有其他發光元素時，固定門檻和梯度偵測都會誤判，而且不會告訴你它錯了。

cx = 383                              # 目標的水平中心
for y in range(0, 800, 10):
    print(y, px[cx, y])

特徵很好認：本體是一段又長又平的高原，兩端各一次陡降； 光暈是漸變的斜坡；其他發光元素是孤立的窄峰。

九、音訊參考（ref_audio_0）能做什麼

H3 可以吃一段音訊當參考，標籤是 <Audio 1>，保留標記寫 reference：

<Audio 1> is the voice-timbre reference for <Subject 1> (S1).
<Audio 1>: reference - only the timbre, pitch and delivery are referenced;
           none of its original wording is carried across.

⚠️ 音訊完全不進文字編碼器，只有 <Audio 1>: 這個標籤進去，波形直接送 DiT。 所以在提示詞裡描述那段音訊沒有用，它只是個指標。情緒還是要寫在 delivery 欄位。

實測：能驅動表演，但不能當聲音來源

拿一段 6 秒的真人音色參考去生一句新台詞：

有生出人聲 ✅    嘴型、呼吸、頭部節奏都對
參考有被吃到 ✅   接線正確時，音高會往參考音移動（242.4 → 222.2 Hz）
音高仍偏高 ❌    參考 192.8 Hz，生成 222.2 Hz，差約兩個半音
音域仍偏窄 ❌    參考跨 175 Hz，生成只有 117 Hz
口音漂移 ❌      台灣腔的參考音，生出的仍帶大陸腔
音質 ❌          聽得出電子合成感

⚠️ 接線很容易搞錯：獨立音檔要接 ref_audio_0， 不是 ref_video_audio_0（那是給參考影片自帶音軌用的）。 接錯的話音色完全不會轉移，而且不會報錯——第一次測試就是這樣白跑一輪。

所以定位是「表演的鷹架」：讓嘴型和呼吸節奏更準，最終音軌照舊另外配。

⚠️ 口音漂移是生成語音的通病，不限於 H3——同一個專案在 ElevenLabs Voice Design 和阿里雲 DashScope 的 instructions 參數上都遇過。 模型只要有自由發揮的空間，口音就會漂回訓練資料的多數腔調。 要特定口音就用真人錄音，或用真人錄音做音色克隆。

十、⭐ 表演的最後一哩靠剪接，不要一直改提示詞

寫到後來會遇到一種情況：節拍、遮蔽、反向一拍全部做對了， 角色也確實照著演了，但看起來還是假。

這時候不要再改提示詞。改剪的。

為什麼提示詞救不了

H3 把每個時間戳當成一個要「到達」的狀態。 它會老實地在 1.700 那一刻讓角色處於「驚嚇」狀態 —— 但真人的驚嚇是提前量（身體比意識快 0.2 秒）， 而情緒的轉折是斷裂（某一刻突然放下），不是平滑的插值。

這兩件事正好是表演最需要的，而 H3 結構上不做。

兩種症狀，兩種剪法

症狀一：反應慢半拍

刺激出現了，角色過了一秒才反應。那一秒的空白就是「假」。

剪法：把空白剪掉，用插入鏡頭蓋過去

  A  平靜，刺激剛出現
  B  ★ 切到插入鏡頭（那個刺激的特寫）
  C  切回來，角色【已經在反應】了

觀眾沒看到「開始反應」的那一刻，大腦自己補 ——
而且補出來的一定比演出來的快、比演出來的真。
這是處理反應鏡頭的標準做法，原因就是反應的前 0.2 秒很難演對。

症狀二：轉折太平滑

情緒的兩端其實都演出來了，但中間是連續漸變， 觀眾沒有比較的基準，只覺得「表情慢慢變了」。

剪法：把兩端拉近，中間插一刀

  A  情緒的一端（緊繃的頂點）
  B  ★ 一個短插入鏡頭
  C  情緒的另一端（已經放下）

原本隔 3.7 秒的漸變，剪完只隔 1 秒的插入鏡頭。
同一段素材，讀起來完全不同。

拍的時候要留什麼

✅ 拍長一點             留給後製剪掉空白的餘裕
✅ 一定要有插入鏡頭      那是剪接的材料，沒有它就沒得剪
✅ 情緒的兩端要拍足      中間的過渡可以丟掉，兩端不能省
❌ 不要為了節奏一直改提示詞

插入鏡頭本來就要拍（交代空間、給觀眾喘息）， 所以「留剪接的餘地」幾乎沒有額外成本。

⚠️ 實例：某一場戲的兩個鏡頭各改了四版提示詞都沒解決， 同一天用上面兩種剪法各剪一次就都解決了。 改四版的成本遠高於剪一次。

十一、後製的分工

有些東西永遠不要交給 H3：

螢幕一律「只給亮度不給內容」——寫「均勻冷白光」，內容後製合成。

⚠️ ffmpeg 對靜圖做 alpha fade 一定要 -loop 1，否則單張圖的 PTS 停在 0， alpha 永遠是起始值，整張全透明而且不報錯。這種靜默失敗最難查。

# ❌ 疊圖完全不出現，也不報錯
ffmpeg -i base.mp4 -i card.jpg -filter_complex \
  "[1:v]scale=W:H,format=rgba,fade=t=in:st=2:d=0.7:alpha=1[c];[0:v][c]overlay=X:Y"

# ✅
ffmpeg -i base.mp4 -loop 1 -framerate 24 -t <長度> -i card.jpg -filter_complex \
  "[1:v]scale=W:H,format=rgba,fade=t=in:st=2:d=0.7:alpha=1[c];[0:v][c]overlay=X:Y"

十二、跨集重複使用

有固定儀式或轉場的系列作，把它拍成通用資產：

不綁任何一集專屬的東西（道具、牌面、台詞）
不露主角的正臉（只拍手）
留白給後製合成

一次拍好，之後每集直接沿用。省的不只是算力，是一致性—— 同一個儀式每集長得一模一樣，本身就是品牌。